ß = Intersep konstanta
ß
1,
ß
2,
ß
3
= Koefisien regresi e
= Residual atau kesalahan pengganggu
3.4.2. Uji Asumsi Klasik
Persamaan regresi tersebut diatas harus bersifat BLUE Best,Linier,Unbiased,Estimator artinya pengambilan keputusan melalui uji
F tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi tiga asumsi dasar yang tidak boleh dilanggar oleh regresi, yaitu :
1. Tidak boleh ada multikoloniaritas
2. Tidak boleh ada heteroskedastisitas
3. Tidak boleh ada autokorelasi
Apabila salah satu dari tiga asumsi dasar tersebut dilanggarmaka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga
pengambilan keputusan melalui uji t menjadi bias Gujarati, 1995:153 Menurut Sumodiningrat 2002: 115 sifat blue dapat dijelaskan
sebagai berikut: 1.
Best : Pentingnya sifat ini bila diterapkan uji signifikan baku terhadap
α dan ß. 2.
Linier : Sifat ini dibutuhkan untuk memudahkan dalam penaksiran. 3.
Unbiased : Nilai jumlah sampel sangat besar penaksir parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai
parameter sebenarnya. 4.
Estimate : e diharapkan sekecil mungkin..
Yang diasumsikan tidak terjadi pengaruh antara variabel bebas atau regresi bersifat BLUE Best, Linier, Unbiased, Estimator artinya koefisien
regresi pada persamaan tersebut betul-betul linier dan tidak bias atau tidak terjadi penyimpangan-penyimpangan persamaan, seperti:
A. Multikolinearitas
Tepatnya istilah multikolinearitas berkenaan dengan terdapatnya lebih dari satu hubungan linier pasti dan istilah kolinearitas berkenaan
dengan terdapatnya satu hubungan linier Gujarati,1995: 157 Menurut Widarjono 2003:131, mengemukakan bahwa
multikolinearitas berarti adanya hubungan linier antara variabel independen di dalam regresi linier berganda dalam suatu persamaan.
Multikolinearitas merupakan korelasi variabel independen dalam regresi berganda.
Deteksi adanya Multikolinearitas : a. Besarnya VIF Variance Inflation Factor
Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinearitas.
b. Nilai Eigenvalue mendekati 0 dan Condition Index melebihi angka 15 Nachrowi dan Usman,2006: 100
B. Heteroskedastisitas
Heteroskedastisitas merupakan varian dari residual atau error yang
tidak konstan atau berubah-ubah. Model regresi yang baik tidak mempunyai Heteroskedastisitas Nachrowi dan Usman,2006: 109
Deteksi adanya Heteroskedastisitas : Pada regresi linier nilsai residual tidak boleh ada hubungan dengan
variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank spearman.
Menurut Gujarati 1995: 188 rumus rank spearman adalah : Σ d
i 2
r
s
= 1 – 6 NN
2
– 1
Keterangan : di = Perbedaan dalam rank antara residual dengan variabel bebas ke-i
N = Banyaknya data Menurut Gujarati 1995:177, mendeteksi adanya heteroskedastisitas
adalah sebagai berikut : a.
Nilai probabilitas 0.05 berarti bebas dari heteroskedastisitas b.
Nilai probabilitas 0.05 berarti terkena heteroskedastisitas
C. Autokorelasi
Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu.
Prosedur untuk menguji autokorelasi yang sebenarnya dapat dijelaskan lebih baik dengan bantuan gambar dibawah ini, yang
menunjukkan batas d adalah 0 dan 4.
Gambar 1. Statistik d Durbin – Watson, Gujarati,1995: 216
Menolak Ho Daerah Daerah Menolak
Bukti auto Keragu- Keragu- Ho Bukti
korelasi raguan raguan auto kore-
positif lasi negatif
Menerima Ho atau Ho
atau kedua-duanya
dL dU 2 4-dU 4-dL 4 d
Mekanisme tes Durbin-Watson adalah sebagai berikut, dengan mengasumsikan bahwa asumsi yang mendasari tes dipenuhi :
a. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu dapatkan nilai kritis d
L
dan d
u
. b. Jika hipotesis Ho adalah bahwa tidak ada serial korelasi positif, maka jika
d d
L
: menolak Ho d d
u
: tidak menolak Ho d
L
d d
u
: pengujian tidak meyakinkan c. Jika hipotesis nol Ho adalah bahwa tidak ada serial korelasi korelasi
negatif, maka jika d 4 – d
L
: menolak Ho d 4 – d
u
: tidak menolak Ho 4 – d
u
d 4 – d
L
: pengujian tidak meyakinkan
d. Jika Ho adalah dua-ujung, yaitu bahwa tidak ada serial autokorelasi baik positif ataupun negatif, maka jika
d d
L
: menolak Ho d 4 – d
L
: menolak Ho d
u
d 4 – d
u
: tidak menolak Ho d
L
d d
u
atau pengujian tidak meyakinkan
4 – d
u
d 4 – d
L
Seperti langkah tadi menunjukkan, kelemahan besar dari tes d adalah bahwa jika d tadi jatuh dalam daerah yang meragukan atau daerah
ketidaktahuan, orang tidak dapat menyimpulkan apakah autokorelasi ada atau tidak ada. Dalam kasus ini orang bisa mungkin terpaksa melakukan tes
lain beberapa diantaranya diberikan dalam bentuk soal latihan atau mendapatkan data tambahan data atau sampel yang berbeda. Harus juga
diperhatikan bahwa banyaknya observasi minimum yang diperlukan sehubungan dengan tabel Durbin Watson adalah 15. Alasannya adalah
bahwa suatu sampel yang lebih kecil dari 15 observasi akan menjadi sangat sulit untuk bisa menarik kesimpulan yang pasti definitif mengenai
autokorelasi dengan memeriksa residual yang ditaksir.
3.4.3. Uji Hipotesis 3.4.3.1. Uji Simultan Uji F
